dÉlimitation des parcelles agricoles par...

7
DÉLIMITATION DES PARCELLES AGRICOLES PAR CLASSIFICATION D’IMAGES PLÉIADES Nesrine Chehata 1,2 , Karim Ghariani 3 , Arnaud Le Bris 4 , Philippe Lagacherie 5 1 : Bordeaux INP, G&E, EA 4592, Talence, France [email protected] 2 : IRD/UMR LISAH El Menzah 4, Tunis, Tunisia 3 : INSAT (Institut National des Sciences Appliquées et de Technologies), Tunis, Tunisia 4 : Université Paris-Est, IGN/SR, MATIS, Saint Mandé, France 5 : INRA Laboratoire LISAH, UMR 1221 Montpellier, France Résumé Les pratiques et les arrangements spatiaux des parcelles agricoles ont un fort impact sur les ux d’eau dans les pay- sages cultivés. An de surveiller les paysages à grande échelle, il y a un fort besoin de délimitation automatique ou semi-automatique des parcelles agricoles. Cet article montre la contribution des images satellitaires à très haute résolu- tion spatiales, telles que Pléiades, pour délimiter le parcellaire agricole de manière automatique. Une approche originale utilisant une classication binaire supervisée des limites parcellaires est proposée. Une approche d’apprentissage actif est mise en oeuvre an d’adapter le modèle de classieur au contexte local permettant ainsi la délimitation parcellaire à grande échelle. Le classieur des Forêts Aléatoires est utilisé pour la classication et la sélection des attributs. Le concept de marge non supervisée est utilisé comme mesure d’incertitude dans l’algorithme d’apprentissage actif. En outre, un éti- quetage automatique des pixels incertains est proposé en utilisant une approche hybride combinant une approche région et le concept de marge. Des résultats satisfaisants sont obtenus sur une image Pléiades. Différentes stratégies d’appren- tissage sont comparées et discutées. Pour un cas d’étude opérationnel, un modèle global ou bien un modèle simple enrichi peuvent être utilisés en fonction des données de terrain disponibles. Mots clés : Classication, apprentissage actif, segmentation, parcelles agricoles, très haute résolution spatiale, Pléiades Abstract Agricultural practices and spatial arrangements of elds have a strong impact on water ows in cultivated landscapes. In order to monitor landscapes at a large scale, there is a strong need for automatic or semi-automatic eld delineation. This paper shows the contribution of very high resolution satellite imagery, such as Pléiades imagery, for delineating agricultural elds in an automatic way. This study focuses on agricultural eld delineation using a supervised binary classication of eld boundaries. Active learning approach is proposed to adapt the classier model to the local context allowing thus parcel delineation at a large scale. Random forest (RF) classier is used for classication and feature selection. The unsupervised margin concept is used as uncertainty measure in the active learning algorithm. Besides, automatic labelling of uncertain pixels is proposed using a hybrid approach that combines a region-based approach and margin concept. Satisfying results are obtained on a Pléiades image. Different learning strategies are compared and discussed. For an operational case study, either a global model or an enriched simple model can be used depending on available ground truth. Keywords : Classication, active learning, segmentation, agricultural elds, very high spatial resolution, Pléiades 1. Introduction Les activités agricoles produisent une série d’élé- ments anthropiques (états de surface des sols, limites parcellaires, fossés, ...) qui exercent un impact majeur sur le fonctionnement hydrologique des paysages en mo- diant les propriétés hydrodynamiques des sols et en introduisant des discontinuités hydrologiques modiant les chemins de l’eau. Les arrangements spatiaux et la connectivité des champs cultivés ont un fort impact sur le ruissellement et l’érosion du sol à l’échelles du bas- sin versant mais également à l’échelle du paysage (Colin et al., 2012). Dans la perspective de diagnostiquer et de maîtriser ces impacts, il est intéressant de détecter, de façon automatique et à grande échelle, les champs culti- vés dans le but de cartographier les types de culture, de suivre les états de surface, de créer ou de mettre à jour une base de données de parcellaire. Pour répondre à ces enjeux, la télédétection à très haute résolution spatiale apparaît comme un outil adapté à l’analyse et la carto- graphie à grande échelle des éléments anthropiques des paysages cultivés. Revue Française de Photogrammétrie et de Télédétection n 209 (janvier 2015) 165

Upload: others

Post on 14-Aug-2020

9 views

Category:

Documents


0 download

TRANSCRIPT

Page 1: DÉLIMITATION DES PARCELLES AGRICOLES PAR …recherche.ign.fr/labos/matis/pdf/articles_revues/2015/... · 2015-02-06 · DÉLIMITATION DES PARCELLES AGRICOLES PAR CLASSIFICATION D’IMAGES

DÉLIMITATION DES PARCELLES AGRICOLES PAR CLASSIFICATIOND’IMAGES PLÉIADES

Nesrine Chehata1,2, Karim Ghariani3, Arnaud Le Bris4, Philippe Lagacherie5

1 : Bordeaux INP, G&E, EA 4592, Talence, [email protected]

2 : IRD/UMR LISAH El Menzah 4, Tunis, Tunisia

3 : INSAT (Institut National des Sciences Appliquées et de Technologies), Tunis, Tunisia

4 : Université Paris-Est, IGN/SR, MATIS, Saint Mandé, France

5 : INRA Laboratoire LISAH, UMR 1221 Montpellier, France

Résumé

Les pratiques et les arrangements spatiaux des parcelles agricoles ont un fort impact sur les flux d’eau dans les pay-sages cultivés. Afin de surveiller les paysages à grande échelle, il y a un fort besoin de délimitation automatique ousemi-automatique des parcelles agricoles. Cet article montre la contribution des images satellitaires à très haute résolu-tion spatiales, telles que Pléiades, pour délimiter le parcellaire agricole de manière automatique. Une approche originaleutilisant une classification binaire supervisée des limites parcellaires est proposée. Une approche d’apprentissage actifest mise en oeuvre afin d’adapter le modèle de classifieur au contexte local permettant ainsi la délimitation parcellaire àgrande échelle. Le classifieur des Forêts Aléatoires est utilisé pour la classification et la sélection des attributs. Le conceptde marge non supervisée est utilisé comme mesure d’incertitude dans l’algorithme d’apprentissage actif. En outre, un éti-quetage automatique des pixels incertains est proposé en utilisant une approche hybride combinant une approche régionet le concept de marge. Des résultats satisfaisants sont obtenus sur une image Pléiades. Différentes stratégies d’appren-tissage sont comparées et discutées. Pour un cas d’étude opérationnel, un modèle global ou bien un modèle simple enrichipeuvent être utilisés en fonction des données de terrain disponibles.

Mots clés : Classification, apprentissage actif, segmentation, parcelles agricoles, très haute résolution spatiale, Pléiades

Abstract

Agricultural practices and spatial arrangements of fields have a strong impact on water flows in cultivated landscapes. Inorder to monitor landscapes at a large scale, there is a strong need for automatic or semi-automatic field delineation. Thispaper shows the contribution of very high resolution satellite imagery, such as Pléiades imagery, for delineating agriculturalfields in an automatic way. This study focuses on agricultural field delineation using a supervised binary classification offield boundaries. Active learning approach is proposed to adapt the classifier model to the local context allowing thus parceldelineation at a large scale. Random forest (RF) classifier is used for classification and feature selection. The unsupervisedmargin concept is used as uncertainty measure in the active learning algorithm. Besides, automatic labelling of uncertainpixels is proposed using a hybrid approach that combines a region-based approach and margin concept. Satisfying resultsare obtained on a Pléiades image. Different learning strategies are compared and discussed. For an operational casestudy, either a global model or an enriched simple model can be used depending on available ground truth.

Keywords : Classification, active learning, segmentation, agricultural fields, very high spatial resolution, Pléiades

1. Introduction

Les activités agricoles produisent une série d’élé-ments anthropiques (états de surface des sols, limitesparcellaires, fossés, ...) qui exercent un impact majeursur le fonctionnement hydrologique des paysages en mo-difiant les propriétés hydrodynamiques des sols et enintroduisant des discontinuités hydrologiques modifiantles chemins de l’eau. Les arrangements spatiaux et laconnectivité des champs cultivés ont un fort impact surle ruissellement et l’érosion du sol à l’échelles du bas-

sin versant mais également à l’échelle du paysage (Colinet al., 2012). Dans la perspective de diagnostiquer et demaîtriser ces impacts, il est intéressant de détecter, defaçon automatique et à grande échelle, les champs culti-vés dans le but de cartographier les types de culture, desuivre les états de surface, de créer ou de mettre à jourune base de données de parcellaire. Pour répondre à cesenjeux, la télédétection à très haute résolution spatialeapparaît comme un outil adapté à l’analyse et la carto-graphie à grande échelle des éléments anthropiques despaysages cultivés.

Revue Française de Photogrammétrie et de Télédétection n◦ 209 (janvier 2015)165

Page 2: DÉLIMITATION DES PARCELLES AGRICOLES PAR …recherche.ign.fr/labos/matis/pdf/articles_revues/2015/... · 2015-02-06 · DÉLIMITATION DES PARCELLES AGRICOLES PAR CLASSIFICATION D’IMAGES

Notre objectif est de détecter automatiquement les li-mites des parcelles à l’aide d’images satellitaires à trèshaute résolution (THR). Le problème est difficile en rai-son d’une forte variabilité des cultures agricoles d’unepart mais aussi de la variabilité de la nature des limitesparcellaires d’autre part. En pratique, certaines limitespeuvent être délimitées par des digues, des levées deterre ou différentes végétations. Une autre difficulté ré-side dans la forte variabilité intra-parcelle qui rend diffi-cile la segmentation d’une parcelle en tant qu’une seuleunité.

Dans la littérature, peu de travaux existent dans lacommunauté de la télédétection, sur la délimitation auto-matique des parcelles agricoles. Nous avons donc élarginotre état de l’art aux techniques de détection d’objetsutilisées en traitement d’images. Ces méthodes peuventêtre regroupées en trois approches : 1) par régions 2)par contours et 3) par classification.

L’approche par régions est basée sur des techniquesde segmentation orientées objet qui ont connu un fort es-sor dans les années 2000 avec l’arrivée des images sa-tellitaires THR (Blaschke, 2010). Généralement, les ré-gions sémantiquement significatives apparaissent à dif-férentes échelles d’analyse ; on retrouve par conséquentdifférentes analyses hiérarchiques pour la segmentationde parcelles agricoles ou bien en milieu forestier (Benzet al. (2004); Trias-Sanz et al. (2008)). La plupart deces travaux utilisent le logiciel eCognition (Baatz andSchäpe, 2000; Mallinis et al., 2008). Cependant, les prin-cipales difficultés qui se posent dans cette approche sontla forte variabilité de la nature des limites parcellaires etla forte variabilité intra-parcellaire.

La deuxième famille d’approches consiste à considé-rer les limites parcellaires comme des linéaires. Elle estbasée sur la détection de contours en utilisant le gradientde l’image. Pour notre application, ces méthodes ren-voient une surdétection des contours à cause des par-celles cultivées ou labourées.

La troisième approche consiste à détecter lescontours par classification supervisée en réalisant l’ap-prentissage d’un modèle de contour i.e de limite parcel-laire. Des descripteurs locaux de texture et de couleursont calculés. L’algorithme BEL (Boosted Edge Learning)(Arbelaez et al., 2011) essaie d’entraîner un classifieurde contours par des arbres de décision. Il a été appli-qué avec succès aux images naturelles et pourrait êtreintéressant pour la détection des limites de la parcelle.Dans notre contexte, cette méthode présente deux avan-tages ; d’une part la phase d’apprentissage permettra deprendre en compte la variabilité des limites parcellaireset d’autre part c’est une approche par contours qui seradonc plus robuste aux variabilités intra-parcelles. Son in-convénient est qu’elle nécessite une étape d’apprentis-sage. Pour notre étude, on retiendra cette dernière ap-proche.

Notre objectif est de détecter les limites parcellairesen utilisant une classification binaire supervisée (limiteVs. Non-limite). Les limites parcellaires peuvent présen-

ter une grande variabilité qui est souvent mal repré-sentée dans les ensembles d’apprentissage. Les tech-niques d’apprentissage actif (AL Active Learning) (Tuiaet al., 2011b) semblent être appropriées pour résoudrece problème, en enrichissant progressivement les don-nées d’apprentissage permettant ainsi d’adapter le mo-dèle du classifieur localement à différents types de li-mites parcellaires.

Dans cette étude, deux questions principales seposent : 1) quels sont les descripteurs d’images les plusappropriés pour la délimitation des parcelles agricoles ?2) Comment assurer une bonne classification à grandeéchelle prenant en compte la variabilité des limites ?

Une approche hydride est proposée combinant uneapproche basée région et les techniques d’apprentis-sage actif. Le classifieur par forêts aléatoires ( ou en-core Random Forests RFTM) est utilisé pour la classifi-cation et la sélection des meilleurs attributs. Le conceptde marge d’ensemble non supervisée est utilisé commemesure d’incertitude du classifieur pour sélectionner leséchantillons les plus incertains et donc les plus informa-tifs pour l’apprentissage. Les résultats sont présentés surune image Pléiades THR, acquise pendant la périodedes labours. La section 2 présentera le site d’étude etles données disponibles. La section 3 présentera les at-tributs testés et l’approche proposée. Les résultats se-ront présentés et discutés dans la section 4.

2. Site et données

Le site d’étude est situé au nord-est de la Tunisie(Région du Cap Bon), dans le bassin versant du Lebna(∼ 210km2). 10 lots de parcelles adjacentes ont étéconsidérés, composés au total de 70 parcelles agricoles.La Figure 1 montre les différents lots considérés. La ré-solution spatiale des images Pléiades est de 0,7m ré-échantillonnée à 0,5m en panchromatique (Pan) et à 2men multispectral (MS). En mode MS, quatre bandes spec-trales sont disponibles (bleu, vert, rouge et proche Infra-rouge).

Les limites parcellaires de référence ont été saisiespar photo-interprétation sur l’image panchromatique etvalidées sur le terrain. Enfin, pour être robuste aux er-reurs de géoréférencement, les limites ont été dilatéespar un élément structurant de taille 3×3 (Figure 7e).

3. Méthodologie

3.1. Les forêts aléatoires

Les Forêts Aléatoires (Random Forests TM) ou en-core RFTM) sont constituées d’un ensemble de classi-fieurs supervisés implémentés sous la forme d’arbresde décision. L’approche consiste à générer des sousensembles aléatoires de données d’apprentissage pourchaque arbre (type bagging) (Breiman, 2001). A partir de

Revue Française de Photogrammétrie et de Télédétection n◦ 209 (janvier 2015)166

Page 3: DÉLIMITATION DES PARCELLES AGRICOLES PAR …recherche.ign.fr/labos/matis/pdf/articles_revues/2015/... · 2015-02-06 · DÉLIMITATION DES PARCELLES AGRICOLES PAR CLASSIFICATION D’IMAGES

FIGURE 1 : Image Pléiades MS à 2m sur une partie du bassinversant du Lebna, Tunisie. Les lots ayant servis pour l’apprentis-sage et le test sont illustrés en jaune et rouge, respectivement.c� CNES (2013), distribution Airbus DS / Spot Image.

chaque échantillon, un arbre de décision CART (Classi-fication And Regression Trees) est construit et unique-ment un sous ensemble aléatoire de M attributs est uti-lisé pour la division de chaque noeud. Pour une instance,chaque arbre renvoie un vote unitaire. Le label final estobtenu par vote majoritaire de tous les arbres. La para-mètre M est souvent fixé à M =

√N où N est le nombre

de variables.Pour l’apprentissage de chaque arbre, 2/3 des don-

nées sont tirées aléatoirement pour construire l arbre.Le tiers des données restant constitue l’ensemble out-of-bag (OOB). Ces données permettent d’avoir une estima-tion non biaisée du taux d’erreur en généralisation sansavoir recours à un échantillon test supplémentaire ou àune validation croisée.

Le classifieur RF est peu sensible au bruit et aux don-nées erronées. Il peut être utilisé pour la classification dedonnées de grande dimension.

3.1.1. Importance des variablesÀ partir des arbres construits, l’importance d’une va-

riable m peut être mesurée en permutant aléatoirementles valeurs de cette variable. On mesure alors, sur lesdonnées OOB, la différence de précision de classifica-tion après et avant permutation. Une augmentation del’erreur OOB indique l importance de la variable m. Cettemesure sera utilisée pour évaluer l’importance des va-riables choisies en entrée.

3.1.2. Marge non superviséePour la classification binaire, une marge non super-

visée est proposée (Guo et al., 2011). Elle correspond àla différence des pourcentages de votes pour la classeLimite et la classe Non-limite. On suppose que les ins-tances d’apprentissage sont des paires (xi, yj) où xi est

une instance et yj ∈ {1,−1} son label, 1 et −1 corres-pondent aux classes limite et non-limite respectivement.La marge mi de l’instance xi est calculée comme suit :

mi = margin(xi) =v(i,1) − v(i,−1)�yj∈{1,−1}

v(i,yj)(1)

avec v(i,yj) le nombre de votes pour chaque classeyj . La marge varie entre -1 et +1 (Figure 2). De fortesvaleurs positive ou négative de marge indiquent une forteconfiance du classifieur pour la labellisation de l’instancexi en tant que limite ou non-limite respectivement. Unevaleur de marge proche de 0 indique une forte incertitudedu classifeur.

FIGURE 2 : Marge non supervisée - cas binaire.

3.2. Attributs utilisésTrois types d’attributs image ont été testés : spec-

traux, basés sur le gradient et texturaux (Figure 3). Lesquatre bandes initiales ont été utilisées comme attri-buts spectraux. Deux attributs basés sur le gradient ontété testés : un gradient récursif précédé par un filtragegaussien (σ = 2, 5) et un gradient anisotropique basésur la diffusion anisotropique de Perona-Malik (Peronaand Malik, 1990) qui réduit la diffusion sur les pixels decontours. Enfin, la moyenne et la variance ont été consi-dérées comme des attributs texturaux du premier ordre.Les filtres de Gabor et des filtres basés sur les descrip-teurs SIFT (Bris, 2012) ont également été testés et cal-culés sur la bande Pan à pleine résolution et sur lesbandes multispectrales. Les attributs Pan sont ensuiteré-échantillonnés à la résolution multispectrale (2m).

FIGURE 3 : Lot L06 - a) image panchromatique, b) gradientanisotropique c) attribut basé SIFT d) attribut par filtre de Gabor

3.3. Les stratégies d’apprentissageNotre objectif est de détecter les limites parcellaires

en utilisant une classification binaire en deux classes Li-mite Vs. Non- limite. La méthodologie proposée doit être

Revue Française de Photogrammétrie et de Télédétection n◦ 209 (janvier 2015)167

Page 4: DÉLIMITATION DES PARCELLES AGRICOLES PAR …recherche.ign.fr/labos/matis/pdf/articles_revues/2015/... · 2015-02-06 · DÉLIMITATION DES PARCELLES AGRICOLES PAR CLASSIFICATION D’IMAGES

applicable à grande échelle sur des surfaces étendues. Àcette échelle, des modifications radiométriques peuventse produire sur les mêmes objets, entre différentes par-ties de l’image, en raison de changement du contextelocal ou de la variabilité des limites parcellaires sur leterrain (levée de terre, végétation ,...).

Différentes stratégies d’apprentissage ont été tes-tées ; 1) un modèle RF simple construit à partir d’un lotde parcelles adjacentes 2) un modèle RF global construità partir de différents lots de parcelles géographiquementdistants 3) un modèle RF simple enrichi par apprentis-sage actif. Pour toutes les stratégies, on doit tenir comptedu très fort déséquilibre entre les populations des deuxclasses afin d’éviter le biais des performances du clas-sifieur qui apparaît si une des classes est fortement re-présentée. Pour cela on constitue l’ensemble d’appren-tissage avec le même nombre de pixels pour chacunedes deux classes.

3.3.1. Modèle RF simplePour le modèle RF simple, les pixels d’apprentissage

et de test considérés sont disjoints mais localisés dansle même lot de parcelles. Cette situation est la plus favo-rable puisque tous les types de limites sont représentésdans l’ensemble d’apprentissage.

3.3.2. Modèle RF globalLe modèle RF global utilise des lots de parcelles,

choisies distantes géographiquement, pour former l’en-semble d’apprentissage. Pour chaque lot, le mêmenombre de pixels est retenu pour l’apprentissage. Lataille totale de l’ensemble d’apprentissage est la mêmeque celle du modèle simple. Les lots de parcelles res-tants sont utilisés comme ensemble de test.

3.3.3. Modèle RF enrichi par apprentissage actifEn classification d’images de télédétection, on est

confronté à des différences de distributions des classesà travers l’image (phénomène de "datashift") (Tuia et al.,2011a) et la construction d’un model local s’avère sousoptimale pour la classification d’une autre partie del’image. Ce verrou est important à lever dans le cas de laclassification à grande échelle. Pour cela, les techniquesd’apprentissage actif (AL) paraissent bien adaptées et onété appliquées avec succès en télédetection (Tuia et al.,2011b). L’apprentissage actif est basé sur une classifi-cation supervisée et consiste à enrichir l’ensemble d’ap-prentissage de façon itérative par les pixels les plus in-certains et les plus difficiles à classer afin d’adapter lemodèle de classifieur à ces cas difficiles tout en gardantdes ensembles d’apprentissage relativement compacts.

Comme le montre la Figure 4, l’algorithme com-mence avec un petit nombre de pixels labellisés. Le clas-sifieur est appliqué une fois. Une heuristique d’incerti-tude permet de garder les pixels non labellisés, les plusuncertains c.à.d les plus difficiles à classer. Ces pixels

sont alors labellisés afin d’enrichir l’ensemble d’appren-tissage. L’algorithme est itératif jusqu’à atteindre un cri-tère d’arrêt (maximiser la précision de classification ouun nombre d’itérations prédéfini).

FIGURE 4 : Approche hybride combinant une approche régionet la marge non supervisée des RF : labellisation automatiquedes pixels additionnels utilisés pour l’apprentissage actif (AL).

L’apprentissage actif a essentiellement été utiliséavec le classifieur SVM. Dans cette étude, on proposed’utiliser les forêts aléatoires. La marge d’ensemble nonsupervisée est utilisée comme mesure d’incertitude. Lespixels de faibles marges sont les plus informatifs et cor-respondent à des frontières de classes ou à des nou-velles classes non représentées dans l’apprentissage ini-tial.

Dans notre approche, n pixels incertains sont sélec-tionnés aléatoirement dans un intervalle de faible margeprédéfini, pour chacune des classes Limite Vs. Non-limite. L’ensemble d’apprentissage reste donc toujourséquilibré.

On propose ensuite une approche hybride innovantepour labelliser automatiquement les nouveaux pixelsd’apprentissage actif. Elle combine la marge d’ensembleet une approche par région (i.e segmentation) pour la-belliser automatiquement les pixels les plus incertains(Figure 4). Une segmentation hiérarchique est réali-sée à partir des bandes spectrales initiales de l’image(Guigues et al., 2006). Un niveau d’échelle assez fin estretenu pour éviter les sous-segmentations.

Les pixels de faibles marges positives correspondantà une frontière de région segmentée seront labelliséscomme Limite. Les pixels de faibles marges négativeshors frontières seront labellisés comme Non-limite.

4. Résultats et discussions

4.1. Importance de variables

L’idée consiste à tester trois types d’attributs image :spectraux, basés sur le gradient et texturaux et de mesu-rer l’importance de chacun des attributs pour notre clas-sification binaire. L’importance des variables a été cal-

Revue Française de Photogrammétrie et de Télédétection n◦ 209 (janvier 2015)168

Page 5: DÉLIMITATION DES PARCELLES AGRICOLES PAR …recherche.ign.fr/labos/matis/pdf/articles_revues/2015/... · 2015-02-06 · DÉLIMITATION DES PARCELLES AGRICOLES PAR CLASSIFICATION D’IMAGES

culée par des modèles RF simples et traitée indépen-demment pour chaque lot de parcelles adjacentes. Lamédiane, la moyenne et l’écart-type des importances dechacune des variables ont été ensuite calculées sur l’en-semble des parcelles. Ceci permet d’avoir plus de robus-tesse dans le classement des attributs par importance.

Les résultats montrent que le classement d’un attri-but par son importance peut varier d’un lot de parcelles àun autre. Cependant, on remarque que les trois groupesd’attributs sont toujours classés dans le même ordre (Fi-gure 5).

FIGURE 5 : Classement des attributs selon leur importance.La médiane, la moyenne et l’écart-type des importances sontillustrés en bleu, vert et rouge, respectivement.

Il apparait que les filtres de Gabor aussi bien en Panqu’en MS sont les plus appropriés pour la détection deslimites parcellaires, suivis par les attributs basés sur legradient récursif, essentiellement sur les bandes rougeet infrarouge, et enfin par la variance calculée sur toutesles bandes multispectrales. Le gradient récursif apparaitplus important que le gradient anisotropique puisque lefiltrage Gaussien permet de lisser l’hétéréogénéité intra-parcelle ainsi que les sillons de labour alors que le gra-dient anisotrope aura tendance à les maintenir et doncà être plus sensible à la variabilité intra parcellaire. Parailleurs, les attributs basés sur des descripteurs SIFT nesont pas pertinents puisqu’ils ont tendance à caractériserl’intérieur des régions et non leurs limites.

Ces résultats ont été confirmés par le calcul des im-portances de variables par le modèle RF global. Pour lasuite de nos expériences, les attributs image suivants ontété retenus : la variance, le gradient récursif avec filtragegaussien et les filtres de Gabor (Pan et MS).

4.2. Résultats de classification

Pour le modèle RF simple, 500 pixels par classe sontutilisés. Pour le modèle RF global, 100 pixels par classeet par lot d’apprentissage ont été retenus. En utilisant 5lots d’apprentissage (en jaune sur la figure 1), on a 500pixels d’apprentissage par classe également.

Pour l’apprentissage actif, le seuil de faible marge aété fixé à mmin = 0, 4. Dans l’intervalle [−mmin, mmin],n = 50 pixels sont retenus par classe pour chaque itéra-tion. Le nombre d’itérations est fixé à 10.

La Figure 6 montre l’application de différents mo-dèles simples sur le lot de parcelles L01.

FIGURE 6 : Résultats de l’apprentissage actif sur le lot L01 enutilisant différents modèles simples.

On observe qu’en fonction de la représentativité dumodèle initial, les précisions de classification varient de50% à 63%. L’apprentissage actif permet d’améliorer lesrésultats de classification jusqu’à +9% en utilisant le lotL02. On remarque que la plupart des modèles finit parconverger vers un palier sauf le modèle L12 (en vert surla figure 6). Dans ce dernier cas, en rajoutant des pixelsd’apprentissage uniquement sur le critère d’incertitude(marge), on introduit de la redondance entre ces pixelset les performances du classifieur peuvent se dégrader.

La Table 1 montre les résultats des différentes stra-tégies d’apprentissage pour les 5 lots test. Les préci-sions moyennes obtenues sont satisfaisantes. Le mo-dèle "simple" est le plus favorable et conduit donc auxmeilleures précisions de classification.

L01 L03 L06 L09 L13Simple 0.83 0.86 0.84 0.87 0.82Simple autre 0.64 0.72 0.78 0.83 0.75Simple autre (AL) 0.68 0.76 0.79 0.82 0.77Global 0.64 0.75 0.78 0.84 0.77Global (AL) 0.66 0.76 0.78 0.83 0.78

TABLE 1 : Comparaison des résultats de classification sur les5 lots test avec différentes stratégies d’apprentissage : modèlesimple avec même lot, modèle simple avec autre lot, modèlesimple avec autre lot enrichi, modèle global, modèle global en-richi.

Les modèles "simple autre" et "global" ont des pré-cisions similaires. L’approche par apprentissage actifdonne de meilleures améliorations en partant du modèlesimple.

Toutefois, il est intéressant de regarder de plus prèsles images de marges qui traduisent la confiance du clas-

Revue Française de Photogrammétrie et de Télédétection n◦ 209 (janvier 2015)169

Page 6: DÉLIMITATION DES PARCELLES AGRICOLES PAR …recherche.ign.fr/labos/matis/pdf/articles_revues/2015/... · 2015-02-06 · DÉLIMITATION DES PARCELLES AGRICOLES PAR CLASSIFICATION D’IMAGES

FIGURE 7 : Comparaison des différentes stratégies d’apprentissage sur le lot L13 par modèle simple et modèle global et par modèlesimple L12 et enrichissement de ce dernier. c� CNES (2013), distribution Airbus DS / Spot Image.

sifieur. La Figure 7 montre les images de marges ob-tenues sur le lot 13 avec les différentes stratégies (Fi-gures 7b, 7c, 7f, 7g), une image de segmentation labeli-sée avec les valeurs de marges pour localiser les pointsd’apprentissage actif (Figure 7d) et la meilleure classifi-cation binaire obtenue (Figure 7h). On peut voir l’amélio-ration apportée par l’AL sur le modèle "simple autre" (Fi-gures 7c et 7g). Le niveau de confiance sur l’intérieur desparcelles est beaucoup plus important mais égalementsur certaines limites qui apparaissent en rouge. On peutaussi voir les différences entre les modèles "simple" et"simple autre". Avec un apprentissage local et des fortesréponses saturées au niveau de la route, l’apprentissageest biaisé et son application sur les parcelles du bas ren-voie beaucoup de limites (Figure 7b). Par contre quandon applique le modèle simple d’un autre lot, on est moinssensible à cet effet de saturation. Les parcelles du basapparaissent correctes sur la carte de marge (Figure 7c)mais par contre on est moins certain sur l’intérieur desparcelles suite à un changement de pratiques agricolesou de type de culture entre les deux lots par exemple.Par ailleurs, on peut voir que le modèle global (Figure7f) est plus fin sur la discrimination des frontières le longde la route et est également plus robuste aux effets desaturation du lot L13.

Pour une utilisation opérationnelle, le modèle globalRF s’avère intéressant. En effet, en pratique, une basede données présentant la variabilité des limites parcel-laires pourrait être constituée et utilisée pour l’étape d’ap-prentissage. Si on reste dans le cas d’image mono-date,

l’apprentissage actif n’apporte pas de grandes amélio-rations sur ce modèle global par contre l’apport pourraitêtre plus important dans le cas d’image multidates. Cepoint sera validé dans de futurs travaux. Une autre optionopérationelle serait de disposer d’un sous-bassin versantbien renseigné sur le terrain et de l’utiliser pour construireun modèle simple et l’enrichir par apprentissage actif afinde l’appliquer efficacement à grande échelle.

5. Conclusion

Dans cette étude, nous avons proposé de détecterles limites des parcelles agricoles par une approche declassification supervisée. Dans l’objectif d’une utilisationopérationnelle à grande échelle, différentes stratégiesd’apprentissage ont été proposées en incluant ou pasde l’apprentissage actif qui permet d’adapter le modèlelocalement. Les premiers résultats obtenus sont satisfai-sants et permettent une bonne localisation des limites.On met surtout en évidence l’intérêt d’un modèle globalsi une base de données d’images de limites parcellairesexiste. Par contre, si l’on dispose plutôt d’un sous bassinbien renseigné, on privilégiera le modèle simple enrichi.

Toutefois les résultats obtenus ne permettent pasd’aboutir au réseau parcellaire au niveau vectoriel. Ils’agit de résultats intermédiaires qui peuvent être utilisésdans un cadre de minimisation d’énergie de segmenta-tion globale. Les cartes de marge pourraient être utili-sées comme terme d’attache aux données et le termed’a priori pourrait intégrer des critères de formes sur leparcellaire.

Revue Française de Photogrammétrie et de Télédétection n◦ 209 (janvier 2015)170

Page 7: DÉLIMITATION DES PARCELLES AGRICOLES PAR …recherche.ign.fr/labos/matis/pdf/articles_revues/2015/... · 2015-02-06 · DÉLIMITATION DES PARCELLES AGRICOLES PAR CLASSIFICATION D’IMAGES

6. Remerciements

Les auteurs tiennent à remercier le CNES pour lamise à disposition des images Pléiades dans le cadrede l’étude RTU Pléiades.

Références

Arbelaez, P., Maire, M., Fowlkes, C., Malik, J., 2011. Contourdetection and hierarchical image segmentation. IEEE PAMI33 (5), 898–916.

Baatz, M., Schäpe, M., 2000. Multiresolution segmentation -An optimization approach for high quality multi-scale imagesegmentation. Strobl, J., Blaschke, T., Griesebner, G. (Eds)Angewandte Geographische Informations - Verarbeitung XII.Wichmann Verlag, Karlsruhe.

Benz, U., Hofmann, P., Willhauck, G., Lingenfelder, I., Heynen,M., 2004. Multiresolution, object-oriented fuzzy analysis of re-mote sensing data for gis-ready information. ISPRS Journalof Photogrammetry and Remote Sensing 58 (3-4), 239–258.

Blaschke, T., 2010. Object based image analysis for remote sen-sing. ISPRS Journal of Photogrammetry and Remote Sen-sing 65 (1), 2 – 16.

Breiman, L., 2001. Random forests. Machine Learning 45 (1),5–32.

Bris, A. L., 2012. Extraction of vineyards out of aerial ortho-image using texture information. In : 22nd Congress of theISPRS. Vol. I-3. ISPRS, Melbourne, Australia, pp. 383–388.

Colin, F., Moussa, R., Louchart, X., 2012. Impact of the spatialarrangement of land management practices on surface runofffor small catchments. Hydrological Processes 26 (2), 255–271.

Guigues, L., Cocquerez, J., Men, H. L., 2006. Scale-sets imageanalysis. IJCV 68 (3), 289–317.

Guo, L., Chehata, N., Mallet, C., Boukir, S., 2011. Relevance ofairborne lidar and image data for urban scene classificationusing random forests. International Journal of Photogramme-try and Remote Sensing 66 (1), 56–66.

Mallinis, G., Koutsias, N., Tsakiri-Strati, M., Karteris, M., 2008.Object-based classification using Quickbird imagery for de-lineating forest vegetation polygons in a Mediterranean testsite. ISPRS Journal of Photogrammetry and Remote Sensing63 (2), 237–250.

Perona, P., Malik, J., 1990. Scale-space and edge detectionusing anisotropic diffusion. IEEE Trans. Pattern Anal. Mach.Intell. 12 (7), 629–639.

Trias-Sanz, R., Stamon, G., Louchet, J., 2008. Using colour,texture, and hierarchial segmentation for high-resolution re-mote sensing. ISPRS Journal of Photogrammetry and Re-mote Sensing 63 (2), 156 – 168.

Tuia, D., Pasolli, E., Emery, W., 2011a. Dataset shift adapta-tion with active queries. In : Urban Remote Sensing Event(JURSE), 2011 Joint. Munich, Germany, pp. 121–124.

Tuia, D., Volpi, M., Copa, L., Kanevski, M., Muñoz-Marí, J.,2011b. A survey of active learning algorithms for supervi-sed remote sensing image classification. IEEE JSTARS 5 (3),606–617.

Revue Française de Photogrammétrie et de Télédétection n◦ 209 (janvier 2015)171